Fugu-MT 論文翻訳(概要): Multi-RF Fusion with Multi-GNN Blending for Molecular Property Prediction

論文の概要: Multi-RF Fusion with Multi-GNN Blending for Molecular Property Prediction

arxiv url: http://arxiv.org/abs/2603.20724v1
Date: Sat, 21 Mar 2026 09:18:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-24 19:11:39.057924
Title: Multi-RF Fusion with Multi-GNN Blending for Molecular Property Prediction
Title（参考訳）: 分子特性予測のためのマルチGNNブレンドによるマルチRF核融合
Abstract要約: Multi-RF Fusion は ogbg-molhiv (10 種) 上で 0.8476 +/- 0.0002 の ROC-AUC テストを達成する方法は、最大分子指紋で訓練された12のランダムフォレストモデルの平均的なアンサンブルである。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-RF Fusion achieves a test ROC-AUC of 0.8476 +/- 0.0002 on ogbg-molhiv (10 seeds), placing #1 on the OGB leaderboard ahead of HyperFusion (0.8475 +/- 0.0003). The core of the method is a rank-averaged ensemble of 12 Random Forest models trained on concatenated molecular fingerprints (FCFP, ECFP, MACCS, atom pairs -- 4,263 dimensions total), blended with deep-ensembled GNN predictions at 12% weight. Two findings drive the result: (1) setting max_features to 0.20 instead of the default sqrt(d) gives a +0.008 AUC gain on this scaffold split, and (2) averaging GNN predictions across 10 seeds before blending with the RF eliminates GNN seed variance entirely, dropping the final standard deviation from 0.0008 to 0.0002. No external data or pre-training is used.
Abstract（参考訳）: Multi-RF Fusion は ogbg-molhiv (10 種) 上で 0.8476 +/- 0.0002 の ROC-AUC をテストし、HyperFusion (0.8475 +/- 0.0003) より前の OGB リーダーボードに #1 を配置する。この手法の核となるのは、結合分子指紋(FCFP, ECFP, MACCS, 原子対 -- 4,263 次元 -- で訓練された12のランダムフォレストモデルの平均アンサンブルであり、重量は12%である。 1) デフォルトの sqrt(d) の代わりに max_features を 0.20 に設定すると、このスキャフォールド分割に対して +0.008 AUC ゲインが得られ、(2) RF とブレンドする前に GNN 予測を 10 種にわたって平均化すると、GNN の種子分散は完全に排除され、最終的な標準偏差は 0.0008 から 0.0002 に減少する。外部データや事前トレーニングは使用しない。

関連論文リスト

Self-Supervised Pretraining of Molecular Graph Encoders with LeJEPA [0.0]
自己教師付き事前学習は言語とビジョンを変えてきたが、分子グラフニューラルネットワークの価値はいまだに争われている。大規模な教師なしコーパスでの事前学習が分子特性予測を改善するかどうかを問う。プレトレーニングは学習した表現を改善するが、微調整を堅牢に改善しない。
論文参考訳（メタデータ） (2026-09-02T12:08:23Z)
A Deep Learning-Based Stacking Ensemble Framework for Turbofan Engine Remaining Useful Life Prediction [0.8427427828815585]
本研究では,ターボファンエンジンの寿命予測のための2段積み重ねアンサンブルフレームワークを提案する。このフレームワークは、Long Short-Term Memory (LSTM)、Convolutional Neural Network (CNN)、CNN-LSTM、CNN-GRUの4つの異種ディープラーニングベースラーナを統合している。実験により、積み重ねアンサンブルが優れた予測性能を達成することが示された。
論文参考訳（メタデータ） (2026-08-28T05:27:51Z)
Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
論文参考訳（メタデータ） (2026-08-24T15:06:18Z)
OmniPMNet: Bridging discrete and gridded PM10 forecasts via omni-query neural processes [4.503467149812089]
予測粒子状物質(PM10)は、ステーションスケールの精度と連続した空間場を必要とする。本稿では,コンボリューショナル・コンボリューショナル・ニューラル・プロセス(ConvCNP)に基づく融合モデルであるOmniPM-Netについて述べる。 OmniPM-Netは、2024年の全年にわたって、中国全土の1,618の大気質監視局で評価され、より強力なGNNベースラインのステーションレベルの精度と一致する。
論文参考訳（メタデータ） (2026-06-12T12:09:49Z)
Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文参考訳（メタデータ） (2026-05-20T19:08:38Z)
Zoom Consistency: A Free Confidence Signal in Multi-Step Visual Grounding Pipelines [0.880899367147235]
マルチステップズームインパイプラインはGUIグラウンディングに広く利用されている。中間出力は、無償で有用な信頼信号: ズーム一貫性を含む。理想化条件下でのステップ1空間誤差の線形推定器であることを示す。
論文参考訳（メタデータ） (2026-04-15T20:47:08Z)
Modeling subgrid scale production rates on complex meshes using graph neural networks [0.0]
非一様メッシュ上でフィルタされた種の生産率を予測するグラフニューラルネットワーク(GNN)を開発した。乱流予混合水素-メタンジェット火炎の直接数値シミュレーションでは、10%、50%、80%の水素分がデータセットを提供する。
論文参考訳（メタデータ） (2026-03-20T10:35:46Z)
DW-KNN: A Transparent Local Classifier Integrating Distance Consistency and Neighbor Reliability [0.7874708385247353]
DW-KNNは、指数的距離と近隣の妥当性を統合する透明で堅牢な変種である。平均で0.8988の精度を達成し、6つの手法のうち2位にランクされ、最も優れたエンサンブルKNNの0.2%以内である。
論文参考訳（メタデータ） (2025-11-28T09:26:45Z)
Generalizable Diabetes Risk Stratification via Hybrid Machine Learning Models [0.0]
糖尿病は世界中で5億3700万人を超え、2045年までに7億8300万人に達すると予測されている。 2つのハイブリッド分類器を比較し、外部コホート上での一般化性を評価する。
論文参考訳（メタデータ） (2025-09-24T21:18:52Z)
DiffusionNFT: Online Diffusion Reinforcement with Forward Process [99.94852379720153]
Diffusion Negative-aware FineTuning (DiffusionNFT) は、フローマッチングを通じて前方プロセス上で直接拡散モデルを最適化する新しいオンラインRLパラダイムである。 DiffusionNFTは、CFGフリーのFlowGRPOよりも25倍効率が高い。
論文参考訳（メタデータ） (2025-09-19T16:09:33Z)
GreenFactory: Ensembling Zero-Cost Proxies to Estimate Performance of Neural Networks [1.6986870945319288]
GreenFactoryは、モデルテストの精度を直接予測するゼロコストプロキシのアンサンブルである。 NATS-Bench上でGreenFactoryを評価し、複数のデータセットで堅牢な結果を得る。
論文参考訳（メタデータ） (2025-05-14T12:40:34Z)
DFedADMM: Dual Constraints Controlled Model Inconsistency for Decentralized Federated Learning [52.83811558753284]
分散学習(DFL)は、中央サーバーを捨て、分散通信ネットワークを確立する。既存のDFL手法は依然として、局所的な矛盾と局所的な過度なオーバーフィッティングという2つの大きな課題に悩まされている。
論文参考訳（メタデータ） (2023-08-16T11:22:36Z)
GMConv: Modulating Effective Receptive Fields for Convolutional Kernels [52.50351140755224]
畳み込みニューラルネットワークでは、固定N$times$N受容場(RF)を持つ正方形カーネルを用いて畳み込みを行う。 ERFが通常ガウス分布を示す性質に着想を得て,本研究でガウス・マスク畳み込みカーネル(GMConv)を提案する。私たちのGMConvは、既存のCNNの標準の畳み込みを直接置き換えることができ、標準のバックプロパゲーションによって、エンドツーエンドで簡単に訓練することができます。
論文参考訳（メタデータ） (2023-02-09T10:17:17Z)
Adaptive Split-Fusion Transformer [90.04885335911729]
本稿では,適応重みによる畳み込みと注目の分岐を異なる方法で扱うための適応分割変換器(ASF-former)を提案する。 ImageNet-1Kのような標準ベンチマークの実験では、我々のASFフォーマーはCNN、トランスフォーマー、ハイブリッドパイロットを精度で上回っている。
論文参考訳（メタデータ） (2022-04-26T10:00:28Z)
Simultaneously Predicting Multiple Plant Traits from Multiple Sensors via Deformable CNN Regression [0.0]
植物栽培と農業生産のパイプラインにとって、交通量測定は重要である。我々は、複数のセンサ入力を受け入れ、複数の連続特性出力を予測する比較的単純な畳み込みニューラルネットワーク(CNN)モデルを導入する。
論文参考訳（メタデータ） (2021-12-06T18:00:28Z)
Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
論文参考訳（メタデータ） (2020-02-26T06:10:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。